摘  要： 通過對上海洋山深水港口的船舶流量的調(diào)研以及對船舶交通流量影響因素的分析，建立支持向量機預(yù)測模型。同時為了解決支持向量機預(yù)測模型的參數(shù)選擇問題，引入了粒子群優(yōu)化算法進行參數(shù)優(yōu)化，建立較優(yōu)的PSO-SVM預(yù)測模型。通過MATLAB仿真實驗計算，將PSO-SVM模型與單純的SVM預(yù)測模型和灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)果進行對比分析，證明了該模型的可行性和優(yōu)越性。

　　關(guān)鍵詞： 船舶流量；多因素；預(yù)測；灰色神經(jīng)網(wǎng)絡(luò)；支持向量機；粒子群優(yōu)化算法

0 引言

　　船舶交通流量預(yù)測是將經(jīng)濟預(yù)測技術(shù)和水運工程技術(shù)以及計算機技術(shù)有效地結(jié)合起來的一門涉及多門學(xué)科的新興應(yīng)用科學(xué)。船舶交通流量的預(yù)測相比于一般的市場預(yù)測及陸上交通預(yù)測等所要考慮的因素和指標(biāo)要更為繁雜和復(fù)雜[1]，對于數(shù)據(jù)采集處理要求更高，這就要求在運用具體的方法時要因地制宜。其中國內(nèi)外學(xué)者用的較多的是人工神經(jīng)網(wǎng)絡(luò)預(yù)測法及其組合預(yù)測法。但是人工神經(jīng)網(wǎng)絡(luò)由于其容易陷入局部最小、預(yù)測輸出隨機等問題，從而降低了預(yù)測的精度。

　　支持向量機（Support Vector Machine，SVM）是一種新型的機器學(xué)習(xí)算法，它同樣以統(tǒng)計學(xué)理論為基礎(chǔ)，以嚴(yán)格的數(shù)學(xué)理論為背景，因其簡單明了的幾何解釋以及較高的泛化能力，在解決小樣本問題時具有獨特的優(yōu)勢。于此同時，與人工神經(jīng)網(wǎng)絡(luò)相比，其克服了神經(jīng)網(wǎng)絡(luò)中經(jīng)常出現(xiàn)局部最優(yōu)解以及學(xué)習(xí)時間長、收斂速度慢等問題。但支持向量機還存在一些不足，如模型的預(yù)測精度受訓(xùn)練學(xué)習(xí)參數(shù)選取的影響很大，如何選取參數(shù)至關(guān)重要。因此，選取合適的參數(shù)是支持向量機從理論走向?qū)嶋H應(yīng)用的關(guān)鍵。本文基于粒子群（Particle Swarm Optimization，PSO）算法的優(yōu)勢，用以對支持向量機難以確定的參數(shù)進行優(yōu)化，進而建立起PSO-SVM預(yù)測模型用以上海洋山深水港交通流量的預(yù)測。

1 主要影響因素分析

　　船舶交通流量是經(jīng)濟、社會、政治、技術(shù)發(fā)展對水運交通需求的具體反應(yīng)。無論選用何種預(yù)測方法進行船舶交通流量預(yù)測，都必須從實際分析考慮所預(yù)測模型的影響因素。影響船舶交通流量的因素非常繁雜，以上海洋山深水港為研究對象，在綜合分析和查閱大量文獻的基礎(chǔ)上，可以從經(jīng)濟因素、港口因素、船舶因素、其他因素四個主要的方面去研究。

　　經(jīng)濟因素是影響未來船舶交通流量的最主要的因素，上海國際航運研究中心將宏觀綜合的經(jīng)濟指標(biāo)合理化為上海航運景氣指數(shù)[2]。船舶的貨運量是衡量和量化港口因素的主要指標(biāo)。同時，伴隨著經(jīng)濟貿(mào)易和造船技術(shù)的發(fā)展，船舶越來越向著大型、自動、快速、專業(yè)化和標(biāo)準(zhǔn)化的方向發(fā)展，考慮到衡量船舶因素的指標(biāo)有很多，根據(jù)實際選擇需要選擇船舶平均噸位做為合適的指標(biāo)。另外，經(jīng)濟的變化總能體現(xiàn)在船舶交通流量上，而且呈現(xiàn)正比關(guān)系，但是又有一定的滯后性。所以根據(jù)實際情況考慮及數(shù)據(jù)處理的方便，對主要影響因素進行分析抽象、量化后選取上海航運指數(shù)、貨運量、船舶的平均噸位[3]、七天前的流量4個因素作為主要因素預(yù)測上海洋山港船舶交通流量。

2 船舶流量預(yù)測模型的構(gòu)建

　　2.1 建立流量預(yù)測模型

　　根據(jù)上述主要影響因素構(gòu)建船舶流量預(yù)測算法流程，如圖1所示[4-7]。

　　2.2 優(yōu)化支持向量機模型學(xué)習(xí)步驟

　　PSO優(yōu)化SVM的學(xué)習(xí)步驟如下[8]：

　　（1）收集有關(guān)影響船舶交通流量的各種數(shù)據(jù)，分為因變量和自變量樣本；初始化各種參數(shù)，如粒子群規(guī)模、初始位置和速度以及SVM的核函數(shù)、懲罰參數(shù)等。

　　（2）利用初始化后各粒子的數(shù)據(jù)值對因變量樣本進行學(xué)習(xí)和訓(xùn)練并建立各自對應(yīng)的預(yù)測模型。

　　（3）通過對因變量樣本的學(xué)習(xí)訓(xùn)練，得到各個粒子的誤差值，用以計算各粒子的適應(yīng)度函數(shù)值，公式如下：

　　（4）計算每個粒子的當(dāng)前適應(yīng)值F（Xi），并與該粒子當(dāng)前自身的最優(yōu)適應(yīng)值F（Pibest）進行比較，如果F（Xi）<F（Pibest），則調(diào)整F（Pibest）=F（Xi），將當(dāng)前位置作為此刻該粒子的最優(yōu)位置。

　?。?）將每一個粒子自身當(dāng)前最優(yōu)位置的適應(yīng)值    F（Pibest）與所有粒子當(dāng)前最優(yōu)位置的適應(yīng)值F（Pgbest）進行比較，若F（Pibest）<F（Pgbest），則調(diào)整F（Pgbest）=F（Pibest），將調(diào)整后的位置做為所有粒子的最優(yōu)位置。

　?。?）利用PSO的進化方程調(diào)整粒子的速度和位置，進而得到支持向量機的參數(shù)。

　?。?）判斷所有粒子最優(yōu)位置的適應(yīng)值或迭代次數(shù)能否滿足要求，若滿足，則停止計算，并保存此時的粒子群的整體最優(yōu)位置；若不滿足，則返回步驟（2）。

　?。?）將最優(yōu)參數(shù)代入支持向量機模型，對樣本進行有效預(yù)測。

3 仿真實驗及結(jié)果分析

　　3.1 實驗數(shù)據(jù)及實驗設(shè)置

　　以上海洋山深水港進出的船舶為研究對象，利用上海國際航運研究中心和上海洋山深水港統(tǒng)計的數(shù)據(jù)，選取從2014年5月20日~2014年6月29日的船舶交通流量數(shù)、當(dāng)日的上海航運指數(shù)、轉(zhuǎn)運量、船舶平均噸位作為自變量，將2014年5月21日~2014年6月30日，當(dāng)天船舶流量數(shù)據(jù)作為因變量，建立預(yù)測模型對2014年5月21日~2014年6月30日每日的船舶流量數(shù)進行回歸擬合預(yù)測。在實驗仿真之前首先得將所采用的流量數(shù)據(jù)進行歸一化處理，采用的歸一化處理公式為：

　　式中，j為歸一化后的數(shù)據(jù)；Xij為原始數(shù)據(jù)；minXij和maxXij分別為原始數(shù)據(jù)中的最小值和最大值。

　　基于MATLAB語言編寫了PSO-SVM程序，通過試算確定PSO的參數(shù)如下：粒子個數(shù)為20；粒子維數(shù)為2；循環(huán)次數(shù)為200；學(xué)習(xí)因子c1=1.5，c2=1.7；參數(shù)C的搜索范圍為（0.1，100）；參數(shù)?滓的搜索范圍為（0.1，1 000）。經(jīng)過PSO優(yōu)化，得到SVM的最優(yōu)參數(shù)C=0.1，利用最優(yōu)參數(shù)來建立SVM模型，進而對測試樣本進行預(yù)測。

　　3.2 實驗仿真對比及分析

　　分別對灰色神經(jīng)網(wǎng)絡(luò)模型、SVM模型、PSO-SVM模型進行仿真并對比，仿真結(jié)果見圖2~圖4。

　　對于預(yù)測結(jié)果需要通過定量的分析以確定精確度，本文采用平均誤差和相對百分誤差來檢驗預(yù)測結(jié)果。預(yù)測結(jié)果誤差如表1所示。

　　從圖2~圖4中可見，灰色BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測模型及SVM模型都得到不錯的效果，但由于BP神經(jīng)網(wǎng)絡(luò)樣本有時無法滿足要求，存在過擬合現(xiàn)象及SVM參數(shù)選擇的問題，兩種算法的預(yù)測結(jié)果的準(zhǔn)確性都受到很大影響。PSO具有強大的全局搜索能力，通過PSO優(yōu)化SVM模型的參數(shù)，使其達到最優(yōu)，從而使誤差降到最低。

　　從表1可以看出，PSO-SVM預(yù)測模型的平均誤差和相對百分誤差分別為1.653 6%和1.637 8%，明顯小于灰色神經(jīng)網(wǎng)絡(luò)預(yù)測模型和單純SVM預(yù)測模型的預(yù)測誤差。因此，經(jīng)PSO優(yōu)化的SVM模型比神經(jīng)網(wǎng)絡(luò)預(yù)測模型以及SVM模型具有更好的預(yù)測能力。

4 結(jié)束語

　　本文在考慮船舶影響因素的條件下，利用SVM預(yù)測模型具有小樣本學(xué)習(xí)能力、學(xué)習(xí)速度快、泛化能力強等優(yōu)點對船舶流量進行回歸預(yù)測，并采用PSO優(yōu)化選擇SVM模型的參數(shù)，得到較優(yōu)的SVM模型，從而大大提高了預(yù)測的準(zhǔn)確性和精度。實驗結(jié)果表明，基于PSO-SVM的預(yù)測模型要好于單純的SVM預(yù)測模型，該模型為船舶交通流量預(yù)測提供了新思路及有效方法。

參考文獻

　　[1] 陳崇云.我國水上交通運輸安全分析及事故預(yù)測的研究[D].大連：大連海事大學(xué)，2002.

　　[2] 王東，熊錫龍.基于影響因素分析的船舶交通流量預(yù)測多元線性回歸模型[J].船海工程，2010，39（3）：178-180.

　　[3] 李俊，徐志京，唐貝貝.基于GA優(yōu)化的灰色神經(jīng)網(wǎng)絡(luò)船舶交通流量預(yù)測方法研究[J].船海工程，2013，42（5）：135-137.

　　[4] 馮宏祥，肖英杰，孔凡邨，等.基于支持向量機的船舶交通流量預(yù)測模型[J].中國航海，2011，34（4）：62-66.

　　[5] 任洪娥，霍滿冬.基于PSO優(yōu)化的SVM預(yù)測應(yīng)用研究[J].計算機應(yīng)用研究，2009，26（3）：867-869.

　　[6] 王樹洋，黃天民，方新，等.基于PSO-SVM的交通流量短時預(yù)測[J].重慶交通大學(xué)學(xué)報（自然科學(xué)版），2012，31（4）：832-835，872.

　　[7] 李紅喜，付玉慧，張仁初，等.港口船舶交通流量預(yù)測[J].大連海事大學(xué)學(xué)報，2009，35（3）：40-42.

　　[8] 閆冠勇.基于PSO-SVM的CFG樁復(fù)合地基質(zhì)量預(yù)測研究[D].邯鄲：河北工程大學(xué)，2012.